这篇文章在我的草稿箱里躺了很久，一直只写了一半。停笔的原因很简单：写到“需要统一的数据底座支撑”那句就写不下去了，因为当时市面上大多数数智基座，离这句话差得还很远。最近未来学习中心、数智赋能大规模因材施教这一类项目在不少地方陆续铺开，又把这篇翻了出来。更重要的是，当年悬着的几件事，这两年有一批真的成熟了。这次试着把后半篇写完。

一、前半篇为什么停住了

（一）理念那边，二十年前就讲完了

把讲“三中心”的论述重看一遍，会有一个很强烈的感觉：这一派在“应该怎样”上已经非常完整，在“怎么知道”上几乎是空的。

传统三中心是教材、教师、教室，源自赫尔巴特；杜威把它翻过来，变成儿童、经验、活动；后来又有了一个更当代的版本，学生发展、学生学习、学习效果。1998 年联合国教科文组织在世界高等教育大会宣言里，就把“以学生为中心”写成了全球高等教育改革的方向。赵炬明把它整理成 SC 范式，还给它配了四根科学支柱：脑科学、青春期发展研究、认知科学、学习科学。

这些论述我读了不下五遍。越读越觉得它们对，也越读越觉得它们停在了半空中。

举个例子。“以学习效果为中心”要求建立目的、行动与效果之间的反馈关系。这句话藏着一个没说出口的前提：你得先有效果数据。一个学期两次大考加几张卷子，那不叫效果数据，那叫抽样。抽样撑得起年级排名，撑不起一个孩子在某个知识点上是概念没懂还是习惯不好。

再比如“注重每个学生的兴趣、能力和学习方式”。我认识的一位初中语文老师，带两个班九十多个学生，一周十二节课，还要写教案、改作文、填表。她凭什么知道九十个人的学习方式？靠印象。印象是有偏差的，它天然记住两头，最拔尖的和最让人操心的，中间那一大片是模糊的。

这不是老师不负责，是人脑的带宽就那么大。

（二）“以学习为中心”比“以学生为中心”更难

有人专门辨析过这两个提法。大意是：学生中心是相对教师中心提出的，指的是目的；学习中心是相对教授中心提出的，指的是过程。以学生为中心不一定是以学习为中心，但真正的学习中心，一定落在学生发展上。

这个区分放到数据上特别有意思。“以学生为中心”还能靠问卷、谈话、导师制部分实现，因为它要的是看见这个人；“以学习为中心”就没那么好糊弄了，它要的是看见学习过程本身：一个学生在哪一步卡住、卡了多久、用什么办法绕过去、绕过去之后是真会了还是记住了答案。

这类东西，纸笔时代记录不下来。

表 1 ｜ 三个中心各自的主张，和它们背后的数据缺口

三个中心，三个缺口，指向同一件事：缺一套能把学习过程记下来、存下来、算出来的基础设施。而这恰恰是我当年停笔的地方。

二、现在为什么又能往下写了

停了这么久又敢动笔，不是想通了什么道理，是有些东西真的变了。

（一）AI 先把“算得动”解决了

1. 非结构化数据进得了计算

作文、口语、实验操作、课堂讨论，这些占学习数据大头的东西，传统统计模型一个字都处理不了。大模型出来以后，把非结构化转成结构化的成本掉了一个数量级，原来根本进不了计算的东西，现在进得来了。

2. 标注的活儿从人挪给了机器

以前建一个学科知识图谱，得教研员一条一条标，标几个月，教材一改还得重来。现在大模型能自动打标、自动归因错因，人从标注退到抽检。这件事不起眼，但它是六维评价能不能大范围铺开的前提：纯人工标注的成本，任何项目都背不动。

3. 从发现问题走到给出办法

以前系统告诉你“这个学生第三章掌握度 62%”，然后就没有然后了。老师得自己想怎么帮，想不想得到、有没有时间想，全看个人。现在 AI 能接着往下走，直接生成有针对性的讲解、练习和干预建议。

（二）过程数据的来源，也续上了一条腿

拿智慧作业举个例子。过去作业是纸质的，学生做了什么题、错在哪一步、改了几遍，全沉在纸面上，批完发回去就翻篇了，留下的只有分数。智慧作业不管走扫描、点阵笔还是终端作答，每一次作答都开始留痕，留下来的不只是对错，还有时长、修改痕迹、错误类型、卡在第几步。

举个更细的。一个班四十五个人，一份数学作业二十道题。纸质时代老师能记住的是最后两道大题错得多，讲评时把整道题重讲一遍。有了作答过程数据，看到的可能是第 7 题的第二步三十一个人卡在同一处，卡点不是不会通分，是找错了公分母。两个结论开出的药方完全不同。

当然，智慧作业只是我举的一个例子，而且眼下它远谈不上人人覆盖：哪些学校在用、用到哪个学科、学生在家做的那部分能不能采上来，都还是问号。点阵笔、录播课堂、穿戴设备，都在补同一条腿。哪条路最后跑出来不重要，重要的是过程数据第一次有了持续、全量的可能。

（三）但这两件事，没一件替基座干了活

这句话得说清楚，不然前面就成了技术万能论。

AI 解决的是怎么算，智慧作业代表的是从哪来。它们一件都没解决数据归谁、口径谁定、质量谁担。而这几件事，恰恰是这篇文章后半篇的全部内容。

还有个反直觉的地方。数据量比过去大了两个数量级，AI 又会把影响放大，两件事叠在一起：数据一旦脏了，危害也大两个数量级。以前一份算错的质量分析，最多误导一位教研组长；现在一个跑偏的推荐模型，可能日复一日给几千个孩子推错的练习，还推得很自信，外行看不出来。

所以准确的说法是：这些变化把因材施教从不可能变成了有可能，门槛从做不到，降到了做不做得扎实。能不能扎实，全看底下那层基座。

三、两个项目要的事，最后都落在同一层数据上

（一）未来学习中心：要重组的是要素，不是空间

我理解它想做的，是一个以学生为中心、用数字技术牵引的学习空间，把能力驱动、泛在智能、多模态响应真正揉到一起，落到场景式、体验式的学习上，以能力为核心、以研究为导向、以志趣为动力。让孩子学的是适应未来的本事，不是应付下一场考试。

我看过几个未来学习中心的实体样板间：可移动桌椅、大屏、VR、创客区、讨论舱。这些都对，但它们是建设周期里最容易的部分，买设备、搞装修，半年就能出一个漂亮的现场。难复制的是底下那套账。

1. 资源精准推送，推的是“此刻的状态”

精准推送要回答三个问题：推给谁、推什么、什么时候推。它的输入不是资源库里那些标签，是学生此刻的学习状态。状态从哪来？从他在学习终端上的交互序列，从上一章节的掌握情况，从他在不同资源类型上的停留时长和完成率，从做错的题到底错在哪一步。

2. 能力驱动、泛在智能、多模态响应，各要一种数据

能力驱动，是系统得知道一个孩子具备什么能力，而不是考了多少分。分数是一维的，能力是多维的，还随场景变。泛在智能，是学习发生在哪，数据就采到哪，课堂、家庭、社团、校外线上都得算，不能只在教室里有感知。多模态响应，是学生提出的问题，敲的、说的、画的、拍的，系统都得接得住，还能放在一起算。

3. 场景式学习，要素得能随时拆了重装

场景式、体验式，合起来意味着不再有固定的学科教室。学习围绕项目、问题、议题展开，一个孩子做一个小课题，可能上午在语文阅读里调研，下午在数学里建模，晚上在实验室做验证。按课题走，不按课表走，这要求学习要素能临时重组、资源能随时切换。能力是做项目磨出来的，志趣是那口气，而每一站发生了什么，得有人在底下记下来、接起来。

问题就出在这儿。学习终端是 A 厂商的，资源平台是 B 厂商的，作业系统是 C 厂商的，教务在区里，综合素质评价在市里。五套东西没有统一的学生标识，口径各说各话，你这头算出“该生第三章掌握度 62%”，到那头连人都对不上。

这不是技术问题，是账没对上。

（二）大规模因材施教：六个维度的数据，现在分别在别人手里

它的思路是搭一个省级观测平台，采集分析学生的个性化学习数据，把德、智、体、美、劳和科技素养六个方面的人才识别标准建起来，给每个孩子一份个性化成长方案，再一路跟着试点学生看成长、看职业发展。说白了，是让人工智能真正撑起大规模因材施教，落成一套可复制的做法。

它要汇聚的原始数据横跨学业、综合素质、活动实践、身心发展四类，跨学校、跨业务、多类型，不在同一套系统，甚至不在同一张网上。难到什么程度，我把六个维度逐个捋一遍。

表 2 ｜ 六维素养的数据源现状。这张表我自己看着都难受

关于“体”，我经历过一件很具体的事。某区教研员想看一份全区中小学生体质健康的汇总，听着就是一张表的事。真干起来，体测成绩在体育局的专项系统，身高体重在体检数据库，家庭情况在民政的台账，课后运动时长在学校的延时服务记录里。四个系统、三种网络、两个归口，最后花了三周才拼出来。一个维度尚且如此，六个维度合起来是什么工作量，可以自己算。

1. 难点不在算法

六维人才识别，算法从来不是瓶颈。聚类、因子分析、多层指标加权，加上这几年大模型做多模态评价，都能做出像样的东西。难的一直是喂给模型的东西：数据怎么合规采上来、口径怎么统一、质量怎么保证。清洗和归一化不是事后补的工序，是前置条件。交出去的也不该是一堆原始表，是一份能直接喂给模型运算的高质量标准化数据集。

模型算错了，你还有机会看出来。数据错了，你只会得到一个看起来很专业的结果。

2. 长周期跟踪，横跨学段也横跨归属

这一套里最不显眼、工程上却最重的一件事：跟着试点学生看成长和职业发展。“个人成长”可以理解，“职业发展”超出了教育数据体系的管辖范围，他后来上了什么大学、做了什么工作，不在教育系统里。哪怕只盯十二年内的成长，跨小初高三个学段已经够呛：学籍转走、学校合并、跨区升学，每次变动都带走一截记录。毕业之后数据归谁、谁能调、能不能继续参与训练，现在没有规则。规则出来之前，跟得越久，将来要还的债越多。

（三）摞起来看，两个项目压在同一层底座上

未来学习中心要的学习行为、交互过程、资源使用、能力表现，和因材施教要的学业、综合素质、活动实践、身心发展，来源高度重叠：校内业务系统、学习终端、各类学习资源平台，是两边共同的上游。安全要求也一致：学生个人信息密集，脱敏、分级分类、授权、审计，一样都不能少。

不同的只是上层怎么用。一个把数据变成场景和推送，一个把数据变成评价和方案。底下那一层，是同一个东西。

四、数智基座：让整体数据转起来的那根轴

（一）它不是又一个系统，是一圈轨道

很多地方对“基座”的理解，停在统一门户、统一认证、统一接口。这些东西没错，但它们是技术底座，不是数据底座。系统连上了、账号通了，一进数据层，口径对不上、历史数据乱、业务各自为政、没人真正负责。

我说的这层基座，是让数据从发生、采集、治理、建模，一直到干预、回流，能完整转一圈的轨道。两个项目里所有听起来漂亮的词，精准推送、六维识别、成长方案，都是这一圈上的某一站。轨道不通，站修得再漂亮也没车进。

图 1 ｜ 数据从底下往上走：源头、基座、两个项目

基座干的活，是把底下这些彼此不认识的系统接上账，把上面两个项目要的数据和服务递上去。它自己不出现在任何一块大屏上。

（二）数据在里面怎么转一圈

图 2 ｜ 数据运转的闭环：从行为发生，到干预回流

干预产生的新数据，回到起点，进入下一轮

转一圈才叫运转。多数系统做到第四步就停了，方案生成之后没有然后，前面采的数据躺在库里慢慢贬值。

1. 采集交换层：给容错留地方

多源异构采集不是装个同步工具就完事。某个教育集团六个校区各自一套库，第一版方案直连六个源库做 ETL，上线第一天一个校区赶上选课高峰，连接超时，整个任务卡死在那一步，后边四个校区一个没采。后来改成临时库解耦、分校区采集，一个挂了只记进失败列表，不拖垮全局；连接配置外置，改密码不用重新部署。

这两个项目上的采集还要难一层，难在数据的脾气不同：学籍一年动一次，体测一年一次，综评一学期填一次，而学习终端上的交互事件每秒都在冒。用一套定时批处理对付两种数据，结果只有两种：要么低频数据重复采集，要么高频数据丢得一塌糊涂。采集层必须按数据的脾气分开设计频次、容错和补采，这件事没有捷径，只能一个源一个源地磨。

2. 治理与目录层：以用促治，责任到人

“先治理后应用”在任何项目上都等不到那一天。行业里有个做法叫以用促治：先建一个能跑起来的应用，用它照出数据哪里缺、哪里脏、哪里口径打架，再倒推治理。未来学习中心其实是一盏更好的探照灯，资源推得准不准，一用就知道数据缺在哪。

但有个前提不能省：口径必须落到具体部门头上。教务数据教务确认，体质数据体育卫生部门负责，综合素质评价德育处维护。信息化部门管平台和技术，业务部门管数据含义和业务规则，这条不划清楚，数据质量就是一阵风，验收完就散。

目录也不能只回答“有什么”。资源目录只告诉你有哪些库表字段，不告诉你一张学生表归教务还是学工、哪些字段是个人信息、能不能共享。从资源目录养成资产目录，要剔掉废弃表，实际做下来接近一半是没用的；要补上业务、技术、管理三类属性，管理属性直接连着分级分类；还要建一条规矩，发版涉及字段增改，先补全数据信息再上线。

3. 输出与开放：交出去的不是原始表

治理完的数据，一份以标准化数据集的形式对接给省级观测平台，喂给六维识别模型；一份以数据服务的形式，供上层应用调用。再往外走一步是能力开放：资源推送、任务派发、成长档案回写，这些动作本身要变成可调用、可授权、可审计的接口。数据告诉上层有什么，能力决定上层能做什么。

（三）AI 给基座加的新功课

1. 智能体要的不是数据访问权，是业务动作

一个智能体要完成真正的教学干预，光能读数据不够，它得能调用动作：给某个学生推一份资源、给班主任发一条提醒、生成一条成长档案记录。查询是能力，推送是能力，派单也是能力。

2. 业务能力目录

除了数据目录、知识目录，还得有一张业务能力目录：提供哪些动作、谁可以调、什么条件下调、执行后产生什么结果、出了问题谁担责。一项成熟的业务能力，要有明确的输入输出、身份要求、权限边界、风险等级和审计规则。这些定义清楚了，上层才能像搭积木一样组合，不用每次重新接线。

3. 人在回路

涉及学生评价和成长方案的关键节点，智能体准备，人确认。有人觉得这是拖后腿，我不这么看。给一个初二学生贴上“数学推理偏弱”的标签，可能影响他两年的分班、选科和自我认知，这种事上效率不是第一位的。越智能，越要给执行划边界。

（四）安全合规：入场券，不是加分项

学生数据大量是未成年人信息。基座内置的脱敏、权限管控、分级分类、全程留痕，不是方案里凑字数的章节，是能不能进场的前提。教育部 2026 年印发的《教育政务数据共享管理办法》已经把这些从行业经验写成了硬要求：平台是总枢纽，线下私拉一律不行；共享分无条件、有条件、不予共享三类；申请、审核、答复都卡着工作日。合规这条线，现在不是最好有，是没有就别做。

（五）摊开看：基座要交的七样东西

表 3 ｜ 七项能力，和它们在两个项目里的去处

我们做了这么多年的教育信息化，能搭上手的位置大致就在这几格：把校内业务系统、学习终端、各类资源平台的多模态数据按统一口径汇聚，做清洗和归一化，把标准化数据集对接给省级观测平台，同时把资源推送、任务派发这些动作开放成可调用的能力。六维里那些原本没有采集源头的维度，也只能靠终端行为、活动记录、校本课程数据一点点补，一步到位不了。

五、还有几个地方，我到现在也没想明白

写到这里，该收了。但有几件事我不想装作已经有答案。

第一件是长周期跟踪的边界，前面讲过，工程含义比六维还重，而归属规则现在是一片空白。

第二件是“美”和“劳”该不该现在就强行量化。这两维基本没有可靠的数据源头，硬做出来的指标，很可能把原本鲜活的东西压成一个没有意义的数字。我倾向于先把采集通路建起来，让它们先以过程记录的形式存在，别急着算分。但这个判断未必对。

第三件是区域基座和省级观测平台之间的责任怎么切。区域采集治理、省级识别建模，听着清楚，真到口径打架、一个区的数据质量拖累上层模型的时候，谁的锅、怎么改，没人说得清。

图 3 ｜ 同一件事的两种进度

两张清单的差距，不在理念，也不在模型，全在中间那层基座有没有把数据转起来。

写到这里，前面的部分该收了。接下来几段是对落地的思考。如果你正准备启动这类项目，下面这些是我站在乙方位置上，最希望你提前想到的事。

六、真要动手，从哪里开始

（一）选基座之前，先问五个问题

方案都很好看，落到基座这件事上，我建议客户拿下面五个问题去问每一家厂商。问题都不复杂，复杂的是答案。

1. 覆盖了多少真实在跑的系统

不要听“支持多源异构接入”这句话，要看接入清单。让厂商列一下他在这类项目里真实连过的系统：教务、学籍、阅卷、作业、体测、综合素质评价，各是什么版本、接口方式是什么、对接了多久。清单短、版本老、只能连自家产品线的，后面两个项目要的数据就基本指望不上。

2. 一个数据源挂了，会不会全网陪葬

问采集架构是串行还是分源隔离。直连源库一把梭的方案，一个学校赶上报表高峰，整条链路就卡死了。这件事在演示里看不出来，只有真出过事的项目团队才会主动讲。

3. 口径冲突了，谁说了算

同一个在校生数，教务一个数、学籍一个数、资助系统还有一个数，开会时三拨人各报一个。基座里有没有一套机制让这种冲突有地方对、有裁判、有结果？还是各系统各存各的，最后人工挑一个？这个问题的答案不同，两年后的数据质量是天壤之别。

4. 数据责任有没有落到部门和岗位

目录里如果只有表和字段，没有责任部门和分级分类，那么数据错了都不知道找谁。好的基座把这件事当标配；差的基座会说“这个后期运营再说”。后期再说的意思是永远不会做。

5. 能力能不能开放，怎么审计

上面的应用、智能体要调用基座的数据和动作，走的是什么通道？有没有授权、有没有审计日志、高危操作有没有人工确认？如果所有调用都要厂商定制开发，那不叫能力开放，叫排队等排期。

（二）验收别只看大屏，看四个角落

基座验收最容易被大屏带跑。真正值得蹲下来看的是四个角落，每个都不难查。

1. 抽一条数据，顺着它走一遍

随便挑一个学生的一条成绩或一次体测记录，从源系统追到基座，再追到上层的报表或方案。这一路走下来，中间哪一步是手工导的、哪一步对不上人，全都藏不住。走得通的链路有多长，系统的真实成色就有多高。

2. 把两个系统的同一指标拉出来对

让基座同时出一份教务口径和学籍口径的在校生数，看它敢不敢对、对不对得上、对不上时能不能说清差在哪。只报一个数、不敢并排摆出来的，口径治理大概率没做。

3. 故意断掉一个源，看恢复要多久

找个测试环境，把一个数据源的连接停掉，看采集是整体瘫痪还是只挂一路、告警发给了谁、恢复之后数据补不补、怎么补。十分钟就能测完，比听一下午汇报都准。

4. 翻一翻审计日志

随便指定一天，看基座能不能说清当天谁调了哪些学生数据、调了多少条、用去了哪个应用。说不清的，后续所有涉及未成年人的数据使用都是糊涂账，出了事没法向家长和监管交代。

（三）最值得先花钱和最不值得先花钱的

预算永远不够，顺序就成了决策。我的看法：数据责任机制和分级分类是整个体系的地基，第一天就该花钱；采集和治理做扎实，是第二年的事。反过来，最不值得先花钱的是大屏和演示效果，它们最出彩，也最先过时。

有一件投入产出比极高的便宜事：先把“一张表”做起来，让师生填过的信息不再重复填。它不需要先进技术，但每一次调用都在替你暴露口径问题、逼着责任落地。等一张表跑顺了，基座的地基也就打了一半。

七、回到那半篇稿

当年停住的那句话是“需要统一的数据底座支撑”。今天我会把它改成：需要一个扛得住高频采集、说得清数据责任、能把能力开放出去的数智基座，整个体系的数据才转得起来。

后者长得多，也不顺口，但至少不是一句正确的废话。

这类项目的价值，不在于又立了新名词，在于第一次把“以学生为中心”从教学理念变成了有交付物的工程问题。能力驱动、泛在智能、多模态响应、六维识别、长周期跟踪，这些提法单独看都不新，可当它们要同时落进同一个能跑、能验收、能真的看见孩子变化的系统里，分量就完全不同了。理念那半篇，二十年里无数人写过，写得比谁都好；工程这半篇才刚开头，而它恰恰决定前面那些理念能不能落地。

我们做了教育信息化这些年，多源异构采集、全域数据治理、教育大数据分析这几件事一直在做，攒了一些落地经验。这层基座能不能真正撑起来，我不敢打包票。但至少现在，这半篇写得下去了。